Configural Frequency Analysis Untuk Melihat Karakteristik Calon Investor Saham Retail Pt Bursa Efek Jakarta.

(1)

CONFIGURAL FREQUENCY ANALYSIS

UNTUK MELIHAT KARAKTERISTIK CALON INVESTOR

SAHAM

RETAIL

PT BURSA EFEK JAKARTA

LAPORAN PENELITIAN MANDIRI

PENELITI

RESA SEPTIANI PONTOH

NIP : 132 317 117

JURUSAN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS PADJADJARAN

(2)

DAFTAR ISI

LEMBAR JUDUL

LEMBAR PENGESAHAN

DAFTAR ISI

...

i

DAFTAR TABEL

...

iv

DAFTAR LAMPIRAN

...

v

I. PENDAHULUAN

1.1 Latar Belakang

... 1

1.2 Identifikasi Masalah

... 2

1.3 Tujuan

... 3

II. TINJAUAN PUSTAKA

2.1 Configural Frequency Analysis

(CFA)

... 4

2.2 Langkah-langkah pengujian dengan menggunakan CFA ... 6

2.3 Pemilihan Base model untuk CFA dan Pengestimasian

Frekuensi Harapan dari suatu sel

2.3.1 Log Linear sebagai Base Model dalam CFA ...

7

(3)

2.3.3 Rencana Pengambilan Sampel

...

12

2.4 Metode

Bonferroni

untuk Melihat Signifikansi Konfigurasi ... 14

III. KARAKTERISTIK CALON INVESTOR SAHAM RETAIL

PT BURSA

EFEK JAKARTA DENGAN MENGGUNAKAN

CONFIGURAL

FREQUENCY ANALYSIS (CFA)

3.1 Pendahuluan

... 15

3.2 Data

... 15

3.3 Analisis Data dengan Menggunakan Lima Langkah dalam

CFA

dengan

Base Model

Log-Linear

3.3.1 Asumsi terorikal dari

base model

log-linear dan

pengestimasian frekuensi harapan suatu sel...

16

3.3.2 Pemilihan suatu konsep penyimpangan dari suatu model ...

22

(4)

IV. HASIL DAN PEMBAHASAN

4.1 Pendahuluan

...

27

4.2 Hasil Analisis CFA

...

27

4.3 Kesimpulan Analisis dengan Menggunakan CFA 2002 ... 30

V. KESIMPULAN DAN SARAN

5.1 Kesimpulan

………. 31

5.2 Saran

………. 32

DAFTAR PUSTAKA

... 33

(5)

LEMBAR PENGESAHAN

CONFIGURAL FREQUENCY ANALYSIS

UNTUK MELIHAT KARAKTERISTIK CALON INVESTOR SAHAM RETAIL

PT BURSA EFEK JAKARTA

Peneliti

Resa Septiani Pontoh

NIP : 132 317 117

Setelah membaca penelitian ini dengan seksama, menurut pertimbangan kami telah memenuhi peryaratan ilmiah sebagai karya ilmiah

Bandung, 30 April 2008 Mengetahui, Ketua Jurusan Statistika

(6)

LEMBAR IDENTITAS

CONFIGURAL FREQUENCY ANALYSIS

UNTUK MELIHAT KARAKTERISTIK CALON INVESTOR SAHAM RETAIL

PT BURSA EFEK JAKARTA

NAMA : RESA SEPTIANI PONTOH

NIP : 132317117

JENIS KELAMIN : PEREMPUAN

PANGKAT/GOL : PENATA MUDA/ IIIA

FAKULTAS/JURUSAN : MIPA/ STATISTIKA UNPAD

BANDUNG, 30 APRIL 2008 PENELITI,

RESA SEPTIANI PONTOH NIP : 132 317 117

(7)

BAB I PENDAHULUAN

1.1 Latar Belakang

Pasar modal merupakan salah satu bentuk pasar yang kondisi ekuilibriumnya dicapai oleh terjadinya proses transaksi antara investor (orang yang menanamkan

modalnya dalam bentuk saham) dan emiten (perusahaan yang mengeluarkan saham).

Selama ini, komposisi kedua variabel tersebut masih sangat sedikit apabila dibandingkan dengan jumlah sebenarnya dari potensi yang ada di Indonesia. Dari data sub-rekening di Kustodian, diketahui bahwa jumlah investor Indonesia saat ini hanya sekitar 80.000 investor. Angka ini akan terlihat kecil sekali jika dibandingkan dengan jumlah penduduk Indonesia yang berjumlah sekitar 200 juta jiwa (kira-kira hanya 0,04%). Bandingkan dengan Singapura yang mempunyai penduduk sekitar 3 juta jiwa tetapi mempunyai investor sebanyak 1 juta-an (kurang lebih sebesar 33%). Demikian juga Malaysia, 16% dari populasi penduduknya yang berjumlah sekitar 18 juta jiwa merupakan investor yang cukup aktif di pasar modal. (Herwidayatmo).

Dilihat dari data di atas, peluang pertambahan jumlah investor di Indonesia sebenarnya masih terbuka lebar. Apalagi jika dikaitkan dengan tren pertumbuhan perekonomian yang terlihat mulai pulih saat ini. Oleh sebab itu, menjadi suatu keharusan bagi seluruh pelaku pasar modal untuk secara terus menerus dan konsisten melakukan kegiatan yang mendukung pengembangan investor lokal. Tersedianya database dan mapping karakteristik investor di setiap daerah yang lengkap dan jelas

akan sangat membantu menentukan strategi yang tepat dalam melakukan kegiatan tersebut.

(8)

Karena itu, diadakan penelitian yang bertujuan untuk mengetahui secara jelas

mapping dari potensi investor di setiap daerah di seluruh Indonesia. Objek/target

responden dari penelitian ini adalah masyarakat yang berada di daerah Jawa Barat. Metodologi yang digunakan dalam penelitian ini adalah metode identifikasi dengan menggunakan kuesioner sebagai alat untuk mengumpulkan sampel data primer yang dibutuhkan.

1.2 Identifikasi Masalah

Sebelumnya, divisi Riset dan Pengembangan melakukan pengolahan data secara deskriptif sederhana. Karena itu, ingin dilihat apakah terdapat kesamaan hasil antara pengolahan data yang telah dilakukan dibandingkan pengolahan data dengan menggunakan metode ilmiah dalam hal ini pengujian dalam metode statistika. Dari hasil analisis ini diharapkan adanya suatu interpretasi mengenai karakteristik dari calon investor retail yang terdiri dari variabel ketertarikan akan saham, usia, pekerjaan dan penghasilan sehingga nantinya dapat dibuat suatu kebijakan-kebijakan baru. Untuk keperluan ini, terdapat beberapa alternatif metode yang dapat dipergunakan diantaranya: Regresi Logistik, Log-Linear, dan CFA. Dari ketiga metode tersebut, CFA merupakan alternatif yang menarik untuk diaplikasikan karena CFA merupakan metode yang relatif baru.

(9)

1.3 Tujuan

Tujuan dari penelitian ini adalah untuk mengaplikasikan CFA dalam mengetahui potensi dan karakteristik calon investor potensial di setiap daerah, sehingga pada akhirnya dapat diketahui secara jelas mapping dari potensi investor di setiap daerah

(10)

BAB II

TINJAUAN PUSTAKA

2.1 Configural Frequency Analysis

Configural frequency Analysis adalah suatu metode yang digunakan untuk

mengidentifikasi pola (konfigurasi) dari variabel kategori apakah terjadi ketidakcocokan (discrepancies) dengan apa yang telah diekspektasikan sebelumnya.

Discrepancies ini terjadi jika :

1. Suatu peristiwa lebih sering terjadi atau jumlah peristiwa yang terjadi lebih besar dari yang diharapkan atau diekspektasikan (CFA type), dan

2. Suatu peristiwa lebih jarang terjadi atau jumlah peristiwa yang terjadi lebih kecil dari yang diharapkan atau diekspektasikan (CFA antitype).

Jenis data yang digunakan dalam CFA adalah pasangan kategori. Hal ini didasarkan

atas pengertian dari konfigurasi (Lienert, 1969) yaitu pasangan kategori yang menjelaskan suatu sel dari suatu tabel silang.

CFA dapat dapat dipergunakan untuk menjawab beberapa pertanyaan di bawah

ini:

1. Bagaimana cara membandingkan antara frekuensi hasil pengamatan

(observed frequencies) dengan frekuensi yang diharapkan (expected

frequencies)?

Jawaban dari pertanyaan di atas adalah bergantung pada pemilihan base

model yang akan digunakan untuk melihat perbandingan nilai dari

frekuensi-frekuensi tersebut dimana nantinya akan diperoleh interpretasi mengenai ada tidaknya perbedaan antara frekuensi pengamatan suatu sel dan frekuensi

(11)

model yang ditetapkan untuk menggambarkan hubungan diantara variabel.

Dari kedua hal di atas, akan terlihat adanya suatu perbedaan nilai antara frekuensi pengamatan suatu sel dan frekuensi harapan sel tersebut apakah frekuensi pengamatan suatu sel lebih besar ataukah lebih kecil atau bahkan sama dengan nilai dari frekuensi harapan sel tersebut. Perbedaan antara frekuensi pengamatan suatu sel dan frekuensi harapan sel tersebut yang nantinya akan diteliti lebih lanjut dengan menggunakan Configural

Frequency Analysis (CFA).

2. Apakah perbedaan yang terjadi antara frekuensi pengamatan suatu sel dan frekuensi harapan sel tersebut secara statistik bersifat signifikan?

Dalam beberapa penelitian yang telah dilakukan dengan menggunakan CFA,

jarang sekali terjadi adanya kesamaan hasil antara frekuensi pengamatan suatu sel dan frekuensi harapan sel tersebut. Dalam CFA, perbedaan nilai

antara frekuensi pengamatan suatu sel dan frekuensi harapan sel tersebut dijelaskan dengan munculnya suatu type dan antitype. Jika frekuensi

pengamatan suatu sel lebih besar dari pada frekuensi harapan sel tersebut, maka akan muncul suatu type namun jika frekuensi pengamatan suatu sel

lebih kecil dari pada frekuensi harapan sel tersebut, maka akan muncul suatu

antitype. Munculnya type dan antitype akan melalui suatu proses pengujian

statistik tertentu. Untuk penjelasan lebih lanjut, akan dibahas pada bab selanjutnya.

(12)

3. Apakah terdapat hubungan antara predictor (variabel bebas) dan criterion

(variabel tak bebas)?

Dalam CFA, suatu model dapat menjelaskan apakah dalam model tersebut

variabel-variabel terbagi menjadi prediktor dan kriteria ataukah semua variabel dianggap mempunyai status yang sama. Berkaitan dengan pertanyaan di atas, CFA dapat menjelaskan ada atau tidaknya hubungan

antara prediktor dan kriteria yang ditandai dengan munculnya suatu type dan

antitype. Jika type dan antitype muncul artinya bahwa suatu prediktor dapat

memprediksi terjadinya suatu kriteria tertentu.

2.2 Langkah-Langkah pengujian dengan menggunakan CFA (Von eye, 2002) Dalam pengujian konfigurasi dengan menggunakan CFA, terdapat lima langkah

yang perlu dilakukan, yaitu sebagai berikut:

1. Pemilihan base model untuk CFA dan pengestimasian frekuensi harapan dari

suatu sel.

2. Pemilihan suatu konsep penyimpangan dari suatu model. 3. Pemilihan tes untuk melihat signifikansi.

4. Penjabaran hasil pengujian signifikansi dan pengidentifikasian apakah konfigurasi masuk ke dalam type atau antytipe.

(13)

2.3 Pemilihan base model untuk CFA dan pengestimasian frekuensi harapan dari suatu sel.

2.3.1 Log Linear sebagai base model dari CFA

Log-Linear sering digunakan sebagai base model dalam CFA, dimana model

umum dari log-linear adalah sebagai berikut (Von eye, 2002):

..., log

int sec int

0+ + + +

eraction ondorder

ijk s

maineffect firstorder eraction ij i

E λ λ λ λ

dimana λ₀ adalah intercept dan i, j, k adalah indeks variabel.

Adapun tujuan dari analisis Log-Linear adalah :

1. Untuk mempelajari pola asosiasi antara sekelompok variabel kategori

2. Untuk menghitung atau memperkirakan banyaknya observasi yang diharapkan (expected counts) dalam tiap-tiap sel populasi dari tabel yang dibentuk oleh

kelompok yang diperhatikan (I Gusti Ngurah Agung, 2002).

Perlu diketahui bahwa CFA mengasumsikan suatu base model tidak dapat

menjelaskan data dengan baik. Karena itu, parameter bukanlah fokus dari pengujian

CFA, tetapi yang difokuskan dalam CFA adalah penyimpangan yang terjadi pada

model ditandai dengan munculnya type dan antitype artinya bahwa hasil akhir dari

CFA bukanlah melihat apakah suatu model sudah dapat menjelaskan data dengan baik

seperti yang dilakukan dengan menggunakan metode log-linear. Oleh karena itu, the

goodness of fit, nilai _χ2_{yang menjelaskan tentang kecocokan model dengan data,}

(14)

Hal lain yang menjadi perbedaan antara CFA dan Log-linear adalah bahwa CFA

tidak hanya melihat adanya hubungan antara variabel-variabel tertentu yang biasanya menjadi output pada model Log-linear tetapi juga lebih memperhatikan pada

konfigurasi-konfigurasi mana yang saling berkaitan satu sama lain.

Dalam CFA, base model digunakan untuk merefleksikan asumsi teorikal dari

sifat suatu parameter apakah semua variabel mempunyai status yang sama, ataukah terbagi menjadi prediktor dan kriteria. Selain itu, base model juga berfungsi untuk

mempertimbangkan rencana pengambilan sampel (sampling scheme) yang nantinya

berguna untuk menentukan estimasi nilai dari frekuensi harapan suatu sel.

2.3.2 Asumsi teorikal dari base model

Seperti telah dijelaskan sebelumnya, base model dapat digunakan untuk

merefleksikan asumsi teorikal dari sifat suatu parameter apakah semua variabel mempunyai status yang sama, ataukah terbagi menjadi prediktor dan kriteria. Log-linear sebagai suatu base model dapat menjelaskan kedua asumsi teorikal di atas.

Dalam model Log-linear, terdapat suatu asumsi bahwa model tersebut mengasumsikan semua variabel mempunyai status yang sama sebagai suatu respon (Agresti,1995). Namun jika ternyata pada suatu penelitian diasumsikan bahwa variabel-variabel tersebut terbagi menjadi prediktor dan kriteria, maka (Von eye, 2002) terdapat beberapa hal yang harus diperhatikan. Dalam kasus ini, jika tujuan dari penelitian tidak menginginkan adanya efek yang menghubungkan antar prediktor dan antar kriteria artinya bahwa jika type dan antitype yang muncul hanya menjelaskan

adanya hubungan antara prediktor dan kriteria, tetapi bukan merupakan hubungan antar prediktor ataupun antar kriteria, dapat dilakukan dengan membuat suatu

(15)

interaksi antar prediktor dan antar kriteria pada base model. Berikut ini akan

dijelaskan beberapa contoh model log-linear yang biasa digunakan.

Jika tidak ada variabel yang mempengaruhi model (zero-order), model

log-linear secara umum (Von eye, 2002) adalah sebagai berikut:

µˆ ) (Y = LogE

dimana E(Y) = frekuensi diharapkan dalam setiap sel.

µˆ = Intercept atau constant atau rata-rata umum

Jika semua variabel mempunyai status yang sama, dan hanya Main effect atau

efek utama yang digunakan (first-order), model log-linear secara umum (Von eye,

2002) adalah sebagai berikut:

... ˆ ˆ ˆ )

(Y_ij_... = + _i+ _j +

LogE µ α β

dimana E(Y_ij_...) = frekuensi diharapkan dalam setiap sel.

µˆ = Intercept atau constant atau rata-rata umum

αˆ = parameter pengaruh tingkat ke-i faktor α

(16)

Jika variabel-variabel yang akan diteliti terbagi menjadi prediktor dan kriteria, dimisalkan terdapat dua prediktor A dan B dan tiga kriteria C, D, dan E, model log-linear yang dipergunakan adalah sebagai berikut (Von eye, 2002):

kl l k ij j i

ijkl A B AB C D CD

LogE( )=µˆ+ ˆ + ˆ + ˆˆ + ˆ + ˆ + ˆˆ

dimana E(Y_ijkl) = frekuensi diharapkan dalam setiap sel.

µˆ = Intercept atau constant atau rata-rata umum

Aˆ = pengaruh tingkat ke-i faktor A

Bˆ = pengaruh tingkat ke-j faktor B

Aˆˆ = Interaksi tingkat ke-i dan j faktor A dan B

Cˆ = pengaruh tingkat ke-k faktor C

Dˆ = pengaruh tingkat ke-l faktor D kl

Cˆˆ = Interaksi tingkat ke-k dan l faktor C dan D

Model tersebut diasumsikan bahwa penelitian tidak menginginkan adanya interaksi antar prediktor dan kriteria.

(17)

Jika penelitian hanya menginginkan tidak adanya interaksi antar prediktor tetapi terdapat interaksi antar kriteria, model tersebut adalah sebagai berikut:

l k ij j i

ijkl A B AB C D

LogE( )=µˆ+ ˆ + ˆ + ˆ ˆ + ˆ + ˆ

dimana E(Y_ijkl) = frekuensi diharapkan dalam setiap sel.

µˆ = Intercept atau constant atau rata-rata umum

Aˆ = pengaruh tingkat ke-i faktor A

Bˆ = pengaruh tingkat ke-j faktor B

Aˆˆ = Interaksi tingkat ke-i dan j faktor A dan B

Cˆ = pengaruh tingkat ke-k faktor C

Dˆ = pengaruh tingkat ke-l faktor D

2.3.3 Rencana Pengambilan Sampel (Sampling Scheme)

Rencana pengambilan sampel (sampling scheme) berguna untuk menentukan

estimasi nilai dari frekuensi harapan suatu sel. Sampling scheme yang paling sering

digunakan adalah multinomial dan product dari multinomial (product-multinomial

sampling) (Von eye, 2002). 1. Multinomial sampling

Multinomial sampling digunakan jika jumlah sampel ditentukan terlebih dahulu baru kemudian disebarkan ke dalam sel tabel silang berdasarkan pengamatan yang telah dilakukan. Jika hasil dari pengklasifikasian kategori

(18)

classified multinomial sampling ini biasa digunakan pada CFA karena

sebetulnya CFA selalu menggunakan tabel silang dari dua atau lebih variabel. Pada Cross-classified multinomial sampling, pemasukkan

individu-individu diperbolehkan pada bagian sel mana saja secara acak. Suatu distribusi miltinomial dengan frekuensi sel Y1, ..., YN; peluang tiap sel

adalah θ₁,...,θ_N dan total frekuensi y n

i = dengan = i

i 1

θ adalah sebagai berikut:

(

)

_∏

= = N i i y i y n n y f i 1 ! !

;θ θ

dimana E

( )

Y_i =nθ_i, i = 1, ..., N

2. Product-Multinomial Sampling

Product-multinomial Sampling menjelaskan distribusi bersama dari dua atau

lebih distribusi multinomial yang bersifat independen. Tabel silang R x C dengan fixed row marginal Ni, untuk i = 1, ..., R. Row marginal dapat

ditentukan jika marginal dari baris pada tabel silang ditentukan terlebih dahulu, setelah itu baru disebarkan ke sel-sel pada tabel silang. Fungsi densitas bersama dari baris R dihasilkan dari perkalian baris-baris multinomial.

(

)

_∏

∏

= = = ij N i ij C j ij C j R i RC N N N N N f . 1 1 1 12 11 ! ! ,..., , π π

Persamaan tersebut menjelaskan peluang dari pengamatan tabel kontingensi dengan frekuensi sel N11, N12, ..., NRC dijelaskan sebagai product dari

(19)

N1C), ..., (NR1, ..., NRC). Hal ini terjadi jika marginal ditentukan untuk lebih

dari satu variabel (cross-classified product-multinomial).

2.4 Metode Bonferroni untuk Melihat Signifikansi Konfigurasi

Untuk melindungi signifikansi nominal α terhadap kesalahan pengujian dikarenakan nilai α untuk tiap konfigurasi berbeda dengan α keseluruhan, penyesuaian dapat dilakukan dengan memperhitungkan total jumlah tampilan pengujian atau banyaknya konfigurasi yang terjadi yaitu dengan rumusan sebagai berikut:

i konfiguras banyaknya

α*= .

Jika statistika hitung lebih kecil dari α*, akan terdapat type atau antitype pada

konfigurasi tersebut. Hipotesis:

H0 : E

[ ]

N_t =E_t

H1 : E

[ ]

N_t >E_t atau E

[ ]

N_t <E_t

Statistika uji:

t t t

E E N z

ˆ ˆ −

= (Von eye, 2002)

kriteria uji:

Jika z-value ≥ _α*_{maka H}

0 diterima atau tidak akan muncul type atau antitype, dapat

dikatakan base model telah mewakili keberadaan dari konfigurasi tersebut, sedangkan jika z-value < α* maka H0 ditolak atau akan muncul type dan antitype, dengan kata

(20)

BAB III

MAPPING KARAKTERISTIK CALON INVESTOR SAHAM RETAIL PT BURSA EFEK JAKARTA DENGAN MENGGUNAKAN

CONFIGURAL FREQUENCY ANALYSIS (CFA)

3.1 Pendahuluan

Dalam bab ini akan dibahas tentang analisis frekuensi konfigurasi (CFA)

kaitannya dengan keinginan PT Bursa Efek Jakarta untuk melakukan mapping karakteristik calon investor saham retail. Untuk penganalisisan data, digunakan data survey yang telah dilakukan oleh PT Bursa Efek Jakarta pada wilayah Jawa Barat.

3.2 Data

Data yang digunakan adalah data survey wilayah yaitu Jawa Barat sebanyak 457 responden yang berbentuk kategori dikotomus. Pada penelitian untuk melihat karakteristik calon investor retail terhadap bentuk investasi saham yang dilakukan oleh PT Bursa Efek jakarta pada tahun 2004, terdapat 4 faktor yang akan dilihat keterkaitannya yaitu:

1. Ketertarikan Responden terhadap bentuk investasi saham

Unit pengamatan dibagi menjadi dua kategori yaitu tertarik akan saham (1) dan tidak tertarik akan saham (2).

2. Usia Responden

Usia unit pengamatan diukur dari rentang usia di bawah di bawah 40 tahun (1) dan usia di atas 40 tahun (2).

(21)

3. Jenis Pekerjaan

Janis Pekerjaan dibagi menjadi dua kategori yaitu pegawai negeri (1) dan non pegawai negeri (2).

4. Penghasilan

Penghasilan dibagi menjadi dua kategori yaitu di bawah Rp. 5.000.000,00 (1) dan di atas Rp. 5.000.000,00 (2).

3.3 Analisis Data dengan Menggunakan Lima Langkah dalam CFA dengan Base Model Log-Linear

3.3.1 Asumsi terorikal dari base model log-linear dan pengestimasian frekuensi harapan suatu sel.

Base Model yang digunakan dalam penganalisisan data survey PT Bursa Efek

Jakarta adalah dengan menggunakan Metode Log-Linear. Sampling scheme yang

digunakan oleh PT Bursa Efek Jakarta dalam melaksanakan survey adalah dengan menggunakan multinomial sampling scheme karena jumlah sampel ditentukan terlebih

dahulu di setiap wilayah kemudian barulah dilakukan pengisian pada setiap sel frekuensi berdasarkan hasil pengamatan, sedangkan base model pada model Log-Linear yang digunakan dalam penganalisisan data survey yang telah dilakukan oleh PT Bursa Efek Jakarta, terbagi menjadi tiga prediktor (usia, jenis pekerjaan, dan penghasilan) dan satu kriteria (ketertarikan terhadap saham). Karena itu, pada penelitian ini akan melihat karakteristik calon investor saham retail PT Bursa Efek

Jakarta dalam tiga variabel yaitu usia, jenis pekerjaan, dan penghasilan dilihat dari ada atau tidaknya ketertarikan responden terhadap saham.

(22)

Model Log-Linear untuk data survey tersebut adalah sebagai berikut:

ijk jl

il ij l k j i ijkl

E( ) µˆ αˆ βˆ γˆ δˆ αˆβˆ αˆγˆ βˆγˆ αˆβˆγˆ

log = + + + + + + + + ... (4.1)

dimana E(Y_ijkl) = frekuensi yang diharapkan dalam setiap sel.

µˆ = Intercept atau constant atau parameter rata-rata umum

αˆ = Parameter pengaruh tingkat ke-i (i = 1 (pegawai negeri) dan i = 2 (non pegawai negeri) faktor

α

(Jenis Pekerjaan)

β

ˆ = Parameter pengaruh tingkat ke-j (j = 1 (di bawah 5 juta) dan j = 2 (di atas 5 juta) faktor β (Penghasilan)

γˆ = Parameter pengaruh tingkat ke-k (k = 1 (usia di bawah 40 tahun) dan k = 2 (Usia di atas 40 tahun) faktor γ (Usia Responden).

δ

ˆ = Parameter pengaruh tingkat ke-l (l = 1 (tertarik) dan l = 2 (tidak tertarik) faktor δ (Ketertarikan terhadap saham)

β

α

ˆˆ = Parameter pengaruh interaksi tingkat ke-i dan ke-j faktor

α

(Jenis Pekerjaan) dan β (Penghasilan).

αˆˆ = Parameter pengaruh interaksi tingkat ke-i dan ke-k faktor α (Jenis Pekerjaan) dan γ (usia).

βˆˆ = Parameter pengaruh interaksi tingkat ke-j dan ke-k faktor β (Penghasilan) dan γ (usia).

ijk

γ

β

α

ˆˆˆ = Parameter pengaruh interaksi tingkat ke-i , ke-j dan ke-k faktor

(23)

Untuk melihat kebenaran adanya interaksi antar prediktor, dapat dilakukan dengan menggunakan pengujian main effect antar prediktor itu sendiri. Jika terdapat

type ataupun antitype, artinya memang benar terdapat interaksi antar prediktor. Model Log-Linear untuk melihat ada atau tidaknya interaksi antar prediktor adalah sebagai berikut:

k j i ijk

E( ) µˆ αˆ βˆ γˆ

log = + + + ... (4.2)

dimana E(Y_ijk) = frekuensi diharapkan dalam setiap sel.

µˆ = Intercept atau constant atau parameter rata-rata umum

αˆ = Parameter pengaruh tingkat ke-i (i = 1 (pegawai negeri) dan i = 2 (non pegawai negeri) faktor α (Jenis Pekerjaan)

β

ˆ = Parameter pengaruh tingkat ke-j (j = 1 (di bawah 5 juta) dan j = 2 (di atas 5 juta) faktor β (Penghasilan)

γˆ = Parameter pengaruh tingkat ke-k (k = 1 (usia di bawah 40 tahun) dan k = 2 (Usia di atas 40 tahun) faktor γ (Usia Responden).

(24)

Penaksiran terhadap ekspektasi frekuensi konfigurasi (E(Y_ijkl)) digunakan

dengan menggunakan metode penaksiran Maksimumlikelihood.

Fungsi dari Distribusi Multinomial dengan frekuensi sel Y1, …, YN, dengan

peluang tiap sel adalah θ₁,...,θ_N, = = N i i y n 1

dan nilai n telah ditentukan sebelumnya

(fixed), adalah sebagai berikut:

(

)

_∏

= = N i i y y n n y f i 1 ! !

;θ θ ...(4.3)

Untuk mengestimasi nilai E

( )

Y_i dengan menggunakan metode maksimum likelihood adalah:

(

)

_∏

= = N i i y y n n y f i 1 ! !

;θ θ

(

−

)

+ = i i i i y y n

L log ! logθ log !

+ =

i log constant y_i _i

θ

...(4.4)

dimana = = N i i y n 1

(25)

Untuk memaksimalkan model, penaksir maksimum likelihood dari parameter θ_i

diperoleh dengan memaksimalkan fungsi likelihood dengan constraint nya yaitu

=1 i

θ

dan = = N i i y n 1

, yang dapat dilakukan dengan menggunakan lagrange

multiplier yang akan meminimalkan λ dan θ_i dari persamaan berikut:

t constant+ −

(

−

)

i i

y logθ λ θ 1 ...(4.5)

solusinya adalah ∂t ∂λ =0 dan ∂t ∂θ_i =0 untuk i = 1, ... N diperoleh:

= λ

dengan mensubtitusi λ =n ke dalam Persamaan 4.4 maka diperoleh:

t constant+ −

(

−

)

i i

i n

y log

θ

1 ...(4.6)

akan ditaksir nilai dari parameter θ_i dan diperoleh:

0 = − = ∂

∂t y n

i i i

θ

n Y_i i =

θˆ . n

θ

ˆ_i =Y_i

(26)

Sehingga E(Yijkl) = n

θ

ˆ...l

θ

ˆijk. dan E(Yijk) = n

θ

ˆi..

θ

ˆ.j.

θ

ˆ..k

3.3.2Pemilihan suatu konsep penyimpangan dari suatu model.

Seperti telah disampaikan sebelumnya bahwa pemilihan sampling scheme pada

penganalisisan data survey ini adalah dengan menggunakan multinomial, maka uji hipotesis yang digunakan adalah dengan menggunakan uji independensi yaitu dengan hipotesis sebagai berikut:

H0 : E

( )

Y_ijkl =nθˆ_..._lθˆ_ijk_.

H1: E

( )

Y_ijkl ≠n

θ

ˆ_..._l

θ

ˆ_ijk_..

Diketahui bahwa,

n y_ijk ijk . . ˆ ₌

θ , dan

n y _l l ... ... ˆ ₌

θ , sehingga

n y y

e_ijkl = ijk. ...l dimana i = 1, 2; j = 1, 2; k = 1, 2; l = 1, 2. ... (4.8)

Model log-linear di bawah H0 adalah sebagai berikut:

ijk jl il ij l k j i ijkl

ijkl E Y µ α β γ δ αβ αγ βγ αβγ

η =log ( )= ˆ+ ˆ + ˆ + ˆ + ˆ + ˆˆ + ˆˆ + ˆˆ + ˆˆˆ ……. (4.9)

dengan asumsi bahwa

0 ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ

ˆ = β = γ = δ = αβ = αγ = βγ = αβγ = α

(27)

log eijkl diestimasi oleh ηijkl ijk jl il ij l k j i ijk

θ

µ

α

β

γ

δ

α

β

α

γ

β

γ

α

β

γ

θ

ˆ log ˆ log ˆ ˆ ˆ ˆ ˆ ˆˆ ˆˆ ˆˆ ˆˆˆ

log _... + _.− = + + + + + + + + ...(4.10) dengan mensubtitusikan

l k j i

ke dalam Persamaan 4.10, akan diperoleh

estimasi varians minimum yaitu sebagai berikut:

n y L y IJK l l k

ijk log log

1 log

ˆ = _.+ _... −

µ

...(4.11)

αˆ 1 log 1 log log ˆ

... + − −

= y n

JK y

L jk

ijk l

i ... (4.12)

Dengan cara yang sama di atas, diperoleh nilai

β

ˆ_j,

γ

ˆ_k,

δ

ˆ_l sebagai berikut:

βˆ 1 log 1 log log ˆ

... + − −

= y n

IK y

L ik

ijk l

j ... (4.13)

γˆ 1 log 1 log log ˆ

... + − −

= y n

IJ y

L ij

ijk l

k ... (4.14)

δˆ log 1 log log ˆ

, ,

... + − −

= y n

IJK y k j i ijk l

l ... (4.15)

δ γ µ β

αˆˆ = 1log _... + 1 logy _.−logn− ˆ− ˆ− ˆ

K y

L k

ijk l

ij ... (4.16)

δ β µ γ

αˆˆ = 1log _... + 1 logy _.−logn− ˆ− ˆ− ˆ

J y

L j

ijk l

ik ... (4.17)

δ α µ γ

βˆˆ = 1log _... +1 logy _. −logn− ˆ− ˆ− ˆ

I y

L i

ijk l

(28)

Statistik Uji yang digunakan adalah chi kuadarat dengan rumusan sebagai berikut:

(

−

)

= I i J j K k L l ijkl ijkl ijkl e e n 2 2

χ ... (4.20) (Dobson: 1982)

dengan degree of freedom adalah (IJK-1)(L-1)

Kriteria Uji:

Tolak Ho jika χ2 hitung ≥χ2α dengan kata lain terdapat asosiasi antar variabel dan

terima H0 jika χ2 hitung < χ2α dengan kata lain model

ijk jl il ij l k j i ijkl Y

E( ) µ αˆ βˆ γˆ δˆ αˆβˆ αˆγˆ βˆγˆ αˆβˆγˆ

log = + + + + + + + + diterima.

Karena pada CFA difokuskan pada konfigurasi kategori antar variabel dan tidak difokuskan pada nilai dari parameternya dan kecocokan model, maka digunakan χ2 untuk masing-masing konfigurasi dengan rumusan sebagai berikut:

(

)

t t t e e n 2

2 ₌ −

χ ... (4.21)

(29)

Dengan kriteria Uji:

Tolak Ho jika χ2 hitung ≥χ2α dengan kata lain akan muncul type atau antitype dan

terima H0 jika χ2 hitung < χ2α dengan kata lain model

ijk jl il ij l k j i ijkl Y

E( ) µˆ αˆ βˆ γˆ δˆ αˆβˆ αˆγˆ βˆγˆ αˆβˆγˆ

log = + + + + + + + + diterima.

Untuk pengujian keindependenan dari prediktor, menggunakan main effect dengan

model sebagai berikut:

H0 : E

( )

Y_ijk =nθˆ_i_..θˆ_._j_.θˆ_.._k

H1: E

( )

Y_ijk ≠nθˆ_i_..θˆ_._j_.θˆ_.._k.

Diketahui bahwa, ,

n y_i i .. .. ˆ ₌ θ , n y_j j . . . . ˆ ₌ θ dan n y _k k .. .. ˆ ₌

θ , sehingga

2 .. . . .. n y y y

e_ijkl = i j k dimana i = 1, 2; j = 1, 2; k = 1, 2. ... (4.22)

k j i ijkl

ijkl E Y µ α β γ

η =log ( )= ˆ+ ˆ + ˆ + ˆ ... (4.23)

dengan asumsi bahwa 0 ˆ ˆ

ˆ = = =

k k j

j i

i β γ

log eijkl diestimasi oleh η_ijkl

k j i k

i y y n

y log log 2log µˆ αˆ βˆ γˆ

(30)

dengan memasukkan

l k j i

ke persamaan di atas, akan diperoleh estimasi

varians minimum yaitu sebagai berikut:

n y k y j y i k k j j i

i log 2log

1 log

1 log 1

ˆ = _.. + _._.+ _._.−

µ

...(4.25)

Nilai αˆ dapat diperoleh dengan memasukkan k j

ke dalam Persamaan 4.24

− = i i i i i y I

y_.. 1 log _.. log

α ... (4.26)

Dengan cara yang sama di atas, diperoleh nilai βˆ_j,γˆ_k sebagai berikut:

− = j j j j j y J

y_. _. 1 log _. _. log

β ... (4.27)

− = k k k k k y K

y_. _. 1 log _. _. log

γ ... (4.28)

(Annette J. Dobson).

Statistik Uji yang digunakan adalah chi kuadarat dengan rumusan sebagai berikut:

(

−

)

i j k ijk ijk ijk e e n 2 2

χ ... (4.29)

(31)

Kriteria Uji:

Tolak Ho jika χ2 hitung ≥χ2α dengan kata lain terdapat asosiasi antar variabel dan

terima H0 jika χ2 hitung < χ2α dengan kata lain model

k j i ijk

E( ) µˆ αˆ βˆ γˆ

log = + + + diterima.

(

)

t t t e e n 2 2 − =

χ ... (4.30)

dengan χ2tabel adalah χ2(I−1)(j−1)(k−1), t = konfigurasi ke-(1,2,...).

Dengan kriteria Uji: Tolak Ho jika _χ2_hitung

α χ2

≥ dengan kata lain akan muncul type atau antitype dan

terima H0 jika χ2 hitung < χ2α dengan kata lain model

k j i ijk

E( ) µˆ αˆ βˆ γˆ

log = + + + diterima.

Dengan pendekatan normal, maka diperolehlah rumusan

t t t E E N z ˆ ˆ − = .

(32)

3.3.3 Pemilihan tes untuk melihat signifikansi.

Langkah ketiga dari metode CFA adalah menentukan tes signifikansi. Sebelumnya, perlu diketahui nilai α sebagai batasan dalam pengujian. Karena nilai α untuk tiap konfigurasi berbeda dengan α keseluruhan, maka digunakan metode

Bonferroni dengan membagi α = 0.05 dengan banyaknya konfigurasi yang terjadi.

003125 .

0 16

05 . 0 *

= = =

α α

dan untuk melihat interaksi antar prediktor adalah:

00625 . 0 8

05 . 0

* ₌ ₌ ₌

α α

Setelah menentukan nilai α* maka akan dicari statistik uji z yang dipergunakan sebagai statistik uji dalam penelitian ini.. Type akan muncul jika nilai z < α*.

(33)

BAB IV

HASIL DAN PEMBAHASAN

4.1 Pendahuluan

Dari data survey yang akan meneliti mengenai karakteristik calon investor saham retail, diperoleh hasil analisis dengan menggunakan metode Configural

Frequency Analysis (CFA) yang akan dibahas pada bab ini.

4.2 Hasil Analisis CFA

Dalam penganalisisan data, penulis menggunakan software CFA 2002 (Von eye,

2001)(Tahap-tahap pengolahan data dijelaskan pada Lampiran). Dari pengolahan

data, diperoleh output (hasil lengkap pada lampiran) untuk daerah Jawa Barat sebagai

berikut:

Ada atau tidaknya interaksi antar prediktor dapat dilihat dari output di bawah ini:

tabel 4.1.1 output CFA Jawa Barat first-order

IJK fo fe statistic p --- ---- --- --- --- 111 48. 63.749 -1.972 .02427624 112 48. 35.682 2.062 .01959816 121 10. 18.317 -1.943 .02599411

122 22. 10.252 3.669 .00012181 Type 211 201. 163.855 2.902 .00185503 Type 212 58. 91.714 -3.520 .00021549 Antitype 221 34. 47.079 -1.906 .02831063

222 36. 26.352 1.880 .03008577

(34)

frekuensi harapan sel tersebut, kolom keempat adalah nilai statistik z, dan kolom terakhir adalah nilai peluang diterimanya H0.

Tabel 4.11 memperlihatkan bahwa terdapat adanya interaksi antar prediktor. Karena itu, pengujian untuk melihat ada tidaknya interaksi antara prediktor dan kriteria dapat dilakukan dengan output sebagai berikut:

tabel 4.1.2 output CFA Jawa Barat first-order

Configuration fo fe statistic p --- ---- --- --- --- 11 12. 18.801 -1.568 .05838594 12 36. 29.199 1.259 .10409159 21 16. 18.801 -.646 .25915301 22 32. 29.199 .518 .30211296 31 4. 3.917 .042 .48324352 32 6. 6.083 -.034 .48655280 41 10. 8.617 .471 .31878157 42 12. 13.383 -.378 .35270458 51 91. 78.729 1.383 .08333093 52 110. 122.271 -1.110 .13355105 61 23. 22.718 .059 .47638715 62 35. 35.282 -.048 .48104851 71 13. 13.317 -.087 .46535764 72 21. 20.683 .070 .47218962 81 10. 14.101 -1.092 .13741047 82 26. 21.899 .876 .19044167

Berbeda dengan Tabel 4.1.1, pada kolom configuration, dijelaskan mengenai

konfigurasi antar prediktor dan kriteria yang terjadi yaitu:

1. Pada kolom pertama dari kolom konfigurasi menjelaskan interaksi antar kriteria yaitu variabel jenis pekerjaan, Penghasilan, Usia, dan Ketertarikan akan saham. Interaksi tersebut adalah sebagai berikut

• Angka 1 menjelaskan interaksi responden dengan pekerjaan sebagai seorang pegawai negeri, dengan penghasilan di bawah Rp. 5 juta dan mempunyai usia di bawah 40 tahun. (Dan seterusnya dijelaskan pada

(35)

2. Pada kolom kedua dari kolom konfigurasi menjelaskan tertarik atau tidaknya responden terhadap saham.

Output tabel 4.1.2 menjelaskan bahwa model log-linear yang mengasumsikan

bahwa tidak ada interaksi antar variabel telah mewakili data dengan baik terbukti dengan tidak munculnya type dan antitype.

Karena itu, untuk melihat apakah keempat variabel tersebut mempengaruhi model, dapat dilakukan dengan menurunkan order menjadi zero-order. Diperoleh

hasil sebagai berikut:

tabel 4.1.3 output CFA Jawa Barat zero-order

Configuration fo fe statistic p --- ---- --- --- ---

11 12. 28.563 -3.099 .00097080 Antitype 12 36. 28.563 1.392 .08201483

21 16. 28.563 -2.351 .00937167 22 32. 28.563 .643 .26004779

31 4. 28.563 -4.596 .00000216 Antitype 32 6. 28.563 -4.222 .00001213 Antitype 41 10. 28.563 -3.473 .00025713 Antitype 42 12. 28.563 -3.099 .00097080 Antitype 51 91. 28.563 11.683 .00000000 Type 52 110. 28.563 15.238 .00000000 Type 61 23. 28.563 -1.041 .14898164

62 35. 28.563 1.205 .11419165

71 13. 28.563 -2.912 .00179607 Antitype 72 21. 28.563 -1.415 .07852912

81 10. 28.563 -3.473 .00025713 Antitype 82 26. 28.563 -.479 .31580050

Munculnya type dan antitype menandakan bahwa keempat variabel (penghasilan, usia,

jenis pekerjaan dan ketertarikan akan saham) memang berpengaruh terhadap model, namun pola karakteristik dari masyarakat Jawa Barat sebagai calon investor saham

(36)

4.3 Kesimpulan Analisis dengan Menggunakan CFA 2002 (Von eye, 2001) Dari hasil pengolahan data yang telah dilakukan, dapat disimpulkan bahwa keinginan PT Bursa Efek Jakarta untuk melihat karakteristik calon investor saham

retail di daerah Jawa Barat tidak dapat diteliti berdasarkan ada atau tidaknya

keterkaitan antara Ketertarikan akan Saham dengan Jenis Pekerjaan, Penghasilan dan Usia.

(37)

BAB V

Kesimpulan dan Saran

5.1 Kesimpulan

1. CFA dapat digunakan sebagai alternatif baru untuk melihat pola asosiasi antar

variabel.

2. Keinginan PT Bursa Efek Jakarta untuk melihat karakteristik calon investor saham retail dapat diteliti dengan menggunakan CFA, namun berdasarkan hasil

pengolahan data yang telah dilakukan, ternyata karakteristik calon investor saham retail daerah Jawa Barat tersebut tidak dapat diteliti berdasarkan ada atau

tidaknya keterkaitan antara Ketertarikan akan Saham dengan Jenis Pekerjaan, Penghasilan dan Usia.

3. Terdapat perbedaan antara CFA dan Log Linear yaitu sebagai berikut:

1. Pada CFA, analisis difokuskan pada ketidakcocokan (discrepancies) antara

base model dan data yang diperlihatkan dengan ada tidaknya type dan

antitype berdasarkan konfigurasi yang terjadi sedangkan pada

log-linear,analisis difokuskan pada kecocokan model yang memperhatikan ada atau tidaknya interaksi antar variabel.

2. Pada CFA, parameter dari base model tidak terlalu menjadi perhatian karena diasumsikan bahwa base model tidak menjelaskan data dengan baik sedangkan pada Log Linear, parameter baru dapat dijelaskan jika model sesuai dengan data.

(38)

5.2 Saran

1. Kebenaran interpretasi atas type dan antitype sangat didasari oleh tepat atau

tidaknya pemilihan base model dari CFA, karena itu penulis sangat menganjurkan agar pemilihan base model harus sesuai dengan tujuan penelitian. 2. Software CFA 2000 (Von eye 2001) hanya bisa menampung paling banyak 10

variabel, karena itu jika jumlah variabel terlalu besar disarankan menggunakan software lainnya seperti SPSS, SAS, SYSTAT, LEM.

(39)

DAFTAR PUSTAKA

von Eye, A. 2002. Configural Frequency Analysis, Lawrence Erlbaum Associates, Inc., London.

von Eye, A. 2001. Configural Frequency Analysis – Version 2000 A Program for Bit Windows Operating System, Methods of Psycological Research Online, Vol. 6, No. 2, 129-139, internet http://www.pabst-publishers.de/mpr/

Dobson, Annette J. 1982. Introduction to Statistical Modelling, Chapman and Hall, New York.

Agung, I Gusti Ngurah. 2002. Analisis Hubungan Kausal Berdasarkan Data Kategorik, PT RajaGrafindo Persada, Jakarta.

Agresti, Alan. 1976. An Introduction to Categorical Data Analysis, Jhon Wiley and Sons, Inc., New York.

Gujarati, D. 1978. Basic Econometrics, McGraw-Hill Companies, Inc., New York.

Sudjana. 1996. Metode Statistika, Penerbit Tarsito, Bandung.

The Jakarta Stock Exchange WebSite, http://www.jsx.co.id

Supranto, J. 2004. Analisis Multivariat. Rineka Cipta, Jakarta.

(40)

LAMPIRAN 1. TABEL KONTINGENSI

JAWA BARAT

Tertarik Akan

Saham

Pekerjaan Penghasilan per

Bulan

ya tdk

Total

<40th 12 36 48

<5jt Usia

>=40th 16 32 48

<40th 4 6 10

Pegawai Negeri

>=5jt Usia

>=40th 10 12 22

<40th 91 110 201

<5jt Usia

>=40th 23 35 58

<40th 13 21 34

Non Pegawai Negeri

>=5jt Usia

>=40th 10 26 36

(41)

LAMPIRAN 2. OUTPUT DAERAH JAWA BARAT

Configural Frequency Analysis --- --- ---

author of program: Alexander von Eye, 2000

Marginal Frequencies --- Variable Frequencies --- ---

1 48. 48. 10. 22. 201. 58. 34. 36.

2 179. 278.

sample size N = 457

the normal z-test was used

Bonferroni-adjusted alpha = .0031250 a CFA of order 1 was performed

Table of results --- -- --- Configuration fo fe statistic p --- ---- --- --- --- 11 12. 18.801 -1.568 .05838594 12 36. 29.199 1.259 .10409159 21 16. 18.801 -.646 .25915301 22 32. 29.199 .518 .30211296 31 4. 3.917 .042 .48324352 32 6. 6.083 -.034 .48655280 41 10. 8.617 .471 .31878157 42 12. 13.383 -.378 .35270458 51 91. 78.729 1.383 .08333093 52 110. 122.271 -1.110 .13355105 61 23. 22.718 .059 .47638715 62 35. 35.282 -.048 .48104851 71 13. 13.317 -.087 .46535764 72 21. 20.683 .070 .47218962 81 10. 14.101 -1.092 .13741047 82 26. 21.899 .876 .19044167

chi2 for CFA model = 10.2206 df = 7 p = .17641067

LR-chi2 for CFA model = 10.5277 df = 7 p = .16058825

(42)

11 .638 16 .721 5 12 1.233 1 1.043 2 21 .851 14 .455 12 22 1.096 5 .694 6 31 1.021 6 .298 16 32 .986 10 .321 15 41 1.160 3 .514 10 42 .897 13 .384 14 51 1.156 4 1.271 1 52 .900 12 1.034 3 61 1.012 8 .531 8 62 .992 9 .595 7 71 .976 11 .417 13 72 1.015 7 .517 9 81 .709 15 .457 11 82 1.187 2 .799 4 Design Matrix

--- ---

1.0 .0 .0 .0 .0 .0 .0 1.0

1.0 1.0 .0 .0 .0 .0 .0 .0

1.0 .0 1.0 .0 .0 .0 .0 .0

1.0 .0 .0 1.0 .0 .0 .0 .0

1.0 .0 .0 .0 1.0 .0 .0 .0

1.0 .0 .0 .0 .0 1.0 .0 .0

1.0 .0 .0 .0 .0 .0 1.0 .0

1.0 -1.0 -1.0 -1.0 -1.0 -1.0 -1.0 -1.0

-1.0 .0 .0 .0 .0 .0 .0 1.0

-1.0 1.0 .0 .0 .0 .0 .0 .0

-1.0 .0 1.0 .0 .0 .0 .0 .0

-1.0 .0 .0 1.0 .0 .0 .0 .0

-1.0 .0 .0 .0 1.0 .0 .0 .0

-1.0 .0 .0 .0 .0 1.0 .0 .0

-1.0 .0 .0 .0 .0 .0 1.0 .0

-1.0 -1.0 -1.0 -1.0 -1.0 -1.0 -1.0 -1.0

(43)

LAMPIRAN 3. OUTPUT INDEPENDENSI PREDIKTOR DAERAH JAWA BARAT

Configural Frequency Analysis --- --- --- author of program: Alexander von Eye, 2000

Marginal Frequencies --- Variable Frequencies --- --- 1 128. 329.

2 355. 102. 3 293. 164.

sample size N = 457

the normal z-test was used

Bonferroni-adjusted alpha = .0062500 a CFA of order 1 was performed

Table of results --- -- --- Configuration fo fe statistic p --- ---- --- --- --- 111 48. 63.749 -1.972 .02427624 112 48. 35.682 2.062 .01959816 121 10. 18.317 -1.943 .02599411

122 22. 10.252 3.669 .00012181 Type 211 201. 163.855 2.902 .00185503 Type 212 58. 91.714 -3.520 .00021549 Antitype 221 34. 47.079 -1.906 .02831063

222 36. 26.352 1.880 .03008577

chi2 for CFA model = 53.3606 df = 4 p = .00000000

LR-chi2 for CFA model = 52.0341 df = 4 p = .00000000

(44)

--- --- ---- ---- ---- 111 .753 5 1.384 6 112 1.345 3 1.656 4 121 .546 8 .942 8 122 2.146 1 3.031 2 211 1.227 4 2.779 3 212 .632 7 3.451 1 221 .722 6 1.238 7 222 1.366 2 1.461 5

Design Matrix --- ---

1.0 1.0 1.0

1.0 1.0 -1.0

1.0 -1.0 1.0

1.0 -1.0 -1.0

-1.0 1.0 1.0

-1.0 1.0 -1.0

-1.0 -1.0 1.0

-1.0 -1.0 -1.0

(45)

LAMPIRAN 4. PENJELASAN KONFIGURASI

1111 : Responden dengan pekerjaan sebagai seorang pegawai negeri, dengan penghasilan di bawah Rp. 5 juta dan mempunyai usia di bawah 40 tahun adalah orang-orang yang tertarik akan investasi saham

1112 : Responden dengan pekerjaan sebagai seorang pegawai negeri, dengan penghasilan di bawah Rp. 5 juta dan mempunyai usia di bawah 40 tahun adalah orang-orang yang tidak tertarik akan investasi saham

1121 : Responden dengan pekerjaan sebagai seorang pegawai negeri, dengan penghasilan di bawah Rp. 5 juta dan mempunyai usia di atas 40 tahun adalah orang-orang yang tertarik akan investasi saham

1122 : Responden dengan pekerjaan sebagai seorang pegawai negeri, dengan penghasilan di bawah Rp. 5 juta dan mempunyai usia di atas 40 tahun adalah orang-orang yang tidak tertarik akan investasi saham

1211 : Responden dengan pekerjaan sebagai seorang pegawai negeri, dengan penghasilan di atas Rp. 5 juta dan mempunyai usia di bawah 40 tahun adalah orang-orang yang tertarik akan investasi saham

1212 : Responden dengan pekerjaan sebagai seorang pegawai negeri, dengan penghasilan di atas Rp. 5 juta dan mempunyai usia di bawah 40 tahun adalah orang-orang yang tidak tertarik akan investasi saham

1221 : Responden dengan pekerjaan sebagai seorang pegawai negeri, dengan penghasilan di atas Rp. 5 juta dan mempunyai usia di atas 40 tahun adalah orang-orang yang tertarik akan investasi saham

(46)

2111 : Responden dengan pekerjaan sebagai seorang non pegawai negeri, dengan penghasilan di bawah Rp. 5 juta dan mempunyai usia di bawah 40 tahun adalah orang-orang yang tertarik akan investasi saham

2112 : Responden dengan pekerjaan sebagai seorang non pegawai negeri, dengan penghasilan di bawah Rp. 5 juta dan mempunyai usia di bawah 40 tahun adalah orang-orang yang tidak tertarik akan investasi saham 2121 : Responden dengan pekerjaan sebagai seorang non pegawai negeri,

dengan penghasilan di bawah Rp. 5 juta dan mempunyai usia di atas 40 tahun adalah orang-orang yang tertarik akan investasi saham

2122 : Responden dengan pekerjaan sebagai seorang non pegawai negeri, dengan penghasilan di bawah Rp. 5 juta dan mempunyai usia di atas 40 tahun adalah orang-orang yang tidak tertarik akan investasi saham 2211 : Responden dengan pekerjaan sebagai seorang non pegawai negeri,

dengan penghasilan di atas Rp. 5 juta dan mempunyai usia di bawah 40 tahun adalah orang-orang yang tertarik akan investasi saham

2212 : Responden dengan pekerjaan sebagai seorang non pegawai negeri, dengan penghasilan di atas Rp. 5 juta dan mempunyai usia di bawah 40 tahun adalah orang-orang yang tidak tertarik akan investasi saham 2221 : Responden dengan pekerjaan sebagai seorang non pegawai negeri,

dengan penghasilan di atas Rp. 5 juta dan mempunyai usia di atas 40 tahun adalah orang-orang yang tertarik akan investasi saham

2222 : Responden dengan pekerjaan sebagai seorang non pegawai negeri, dengan penghasilan di atas Rp. 5 juta dan mempunyai usia di atas 40 tahun adalah orang-orang yang tidak tertarik akan investasi saham.

(47)

LAMPIRAN 5. PENJELASAN KONFIGURASI

1111 : Responden dengan pekerjaan sebagai seorang pegawai negeri, dengan penghasilan di bawah Rp. 5 juta dan mempunyai usia di bawah 40 tahun adalah orang-orang yang tidak tertarik akan investasi saham

112 : Responden dengan pekerjaan sebagai seorang pegawai negeri, dengan penghasilan di bawah Rp. 5 juta dan mempunyai usia di atas 40 tahun 121 : Responden dengan pekerjaan sebagai seorang pegawai negeri, dengan

penghasilan di atas Rp. 5 juta dan mempunyai usia di bawah 40 tahun 122 : Responden dengan pekerjaan sebagai seorang pegawai negeri, dengan

penghasilan di atas Rp. 5 juta dan mempunyai usia di atas 40 tahun 211 : Responden dengan pekerjaan sebagai seorang non pegawai negeri,

dengan penghasilan di bawah Rp. 5 juta dan mempunyai usia di bawah 40 tahun

212 : Responden dengan pekerjaan sebagai seorang non pegawai negeri, dengan penghasilan di bawah Rp. 5 juta dan mempunyai usia di atas 40 tahun

221 : Responden dengan pekerjaan sebagai seorang non pegawai negeri, dengan penghasilan di atas Rp. 5 juta dan mempunyai usia di bawah 40 tahun

222 : Responden dengan pekerjaan sebagai seorang non pegawai negeri, dengan penghasilan di atas Rp. 5 juta dan mempunyai usia di atas 40 tahun

(48)

DAFTAR TABEL

4.2.1 Out Put

_{CFA Jawa Barat}

First – Order

_{interaksi antar prediktor}

_{.... 26}

4.2.2 Out Put

_{CFA Jawa Barat}

First – Order

_{interaksi antara}

prediktor dan kritera ... 27

4.2.3 Out Put

_{CFA Jawa Barat}

Zero – Order

_{interaksi antara}

(49)

DAFTAR LAMPIRAN

Lampiran 1. Tabel Kontingensi

...

34 Lampiran 2. Output Daerah Jawa Barat

...

35 Lampiran 3. Output Independensi Prediktor Daerah Jawa Barat ...

37 Lampiran 4. Penjelasan Konfigurasi

...

39

(1)

112 1.345 3 1.656 4 121 .546 8 .942 8 122 2.146 1 3.031 2 211 1.227 4 2.779 3 212 .632 7 3.451 1 221 .722 6 1.238 7 222 1.366 2 1.461 5

Design Matrix --- ---

1.0 1.0 1.0 1.0 1.0 -1.0 1.0 -1.0 1.0 1.0 -1.0 -1.0 -1.0 1.0 1.0 -1.0 1.0 -1.0 -1.0 -1.0 1.0 -1.0 -1.0 -1.0

(2)

LAMPIRAN 4. PENJELASAN KONFIGURASI

1111 : Responden dengan pekerjaan sebagai seorang pegawai negeri, dengan penghasilan di bawah Rp. 5 juta dan mempunyai usia di bawah 40 tahun adalah orang-orang yang tertarik akan investasi saham

1121 : Responden dengan pekerjaan sebagai seorang pegawai negeri, dengan penghasilan di bawah Rp. 5 juta dan mempunyai usia di atas 40 tahun adalah orang-orang yang tertarik akan investasi saham

1211 : Responden dengan pekerjaan sebagai seorang pegawai negeri, dengan penghasilan di atas Rp. 5 juta dan mempunyai usia di bawah 40 tahun adalah orang-orang yang tertarik akan investasi saham

1221 : Responden dengan pekerjaan sebagai seorang pegawai negeri, dengan penghasilan di atas Rp. 5 juta dan mempunyai usia di atas 40 tahun adalah orang-orang yang tertarik akan investasi saham

1222 : Responden dengan pekerjaan sebagai seorang pegawai negeri, dengan penghasilan di atas Rp. 5 juta dan mempunyai usia di atas 40 tahun

(3)

dengan penghasilan di bawah Rp. 5 juta dan mempunyai usia di bawah 40 tahun adalah orang-orang yang tertarik akan investasi saham

dengan penghasilan di bawah Rp. 5 juta dan mempunyai usia di atas 40 tahun adalah orang-orang yang tertarik akan investasi saham

dengan penghasilan di atas Rp. 5 juta dan mempunyai usia di bawah 40 tahun adalah orang-orang yang tertarik akan investasi saham

dengan penghasilan di atas Rp. 5 juta dan mempunyai usia di atas 40 tahun adalah orang-orang yang tertarik akan investasi saham

(4)

LAMPIRAN 5. PENJELASAN KONFIGURASI

penghasilan di atas Rp. 5 juta dan mempunyai usia di bawah 40 tahun 122 : Responden dengan pekerjaan sebagai seorang pegawai negeri, dengan

penghasilan di atas Rp. 5 juta dan mempunyai usia di atas 40 tahun 211 : Responden dengan pekerjaan sebagai seorang non pegawai negeri,

dengan penghasilan di bawah Rp. 5 juta dan mempunyai usia di bawah 40 tahun

212 : Responden dengan pekerjaan sebagai seorang non pegawai negeri, dengan penghasilan di bawah Rp. 5 juta dan mempunyai usia di atas 40 tahun

221 : Responden dengan pekerjaan sebagai seorang non pegawai negeri, dengan penghasilan di atas Rp. 5 juta dan mempunyai usia di bawah 40 tahun

222 : Responden dengan pekerjaan sebagai seorang non pegawai negeri, dengan penghasilan di atas Rp. 5 juta dan mempunyai usia di atas 40 tahun